An Active Perception Game for Robust Information Gathering

要約

能動的知覚アプローチは、情報利得の推定値を使用して将来の視点を選択します。
不正確な推定は、例えば遭難者の位置を特定するなど、重大な状況において有害となる可能性があります。
ただし、得られる真の情報は事後的に、つまり観測が実現した後にのみ計算できます。
我々は、情報利得（推定上の将来の観測値の平均）と真の情報利得との間の差異を推定するためのアプローチを提示する。
重要なアイデアは、ゲーム理論の設定における能動的な知覚と情報獲得の推定誤差の間の数学的関係を分析することです。
これを使用して、真の情報利得の推定に関して線形未満のリグレス (タイムステップ数における) を達成し、能動的な知覚システムの準最適性を軽減するオンライン推定アプローチを開発します。
私たちは、次の一連の包括的な実験を使用して、能動的な知覚に対するアプローチを実証します。(a) フォトリアルなシミュレーションにおけるクワローター、現実世界のロボット データ、屋内および屋外のシーンを探索する地上ロボットによる現実世界の実験など、さまざまな種類の環境
;
(b) さまざまなタイプのロボット認識データ。
(c) 異なる地図表現。
平均して、私たちのアプローチにより、情報利得の推定誤差が 42% 減少し、情報利得が 7%、PSNR が 5%、意味論的精度 (正しく位置特定されたオブジェクトの数として測定) が 6% 増加しました。
Jackal 地上ロボットを使った実際の実験では、私たちのアプローチは、遮蔽された領域を探索するための複雑な軌道を実証しました。

要約(オリジナル)

Active perception approaches select future viewpoints by using some estimate of the information gain. An inaccurate estimate can be detrimental in critical situations, e.g., locating a person in distress. However the true information gained can only be calculated post hoc, i.e., after the observation is realized. We present an approach for estimating the discrepancy between the information gain (which is the average over putative future observations) and the true information gain. The key idea is to analyze the mathematical relationship between active perception and the estimation error of the information gain in a game-theoretic setting. Using this, we develop an online estimation approach that achieves sub-linear regret (in the number of time-steps) for the estimation of the true information gain and reduces the sub-optimality of active perception systems. We demonstrate our approach for active perception using a comprehensive set of experiments on: (a) different types of environments, including a quadrotor in a photorealistic simulation, real-world robotic data, and real-world experiments with ground robots exploring indoor and outdoor scenes; (b) different types of robotic perception data; and (c) different map representations. On average, our approach reduces information gain estimation errors by 42%, increases the information gain by 7%, PSNR by 5%, and semantic accuracy (measured as the number of objects that are localized correctly) by 6%. In real-world experiments with a Jackal ground robot, our approach demonstrated complex trajectories to explore occluded regions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google